语音识别的六次范式转向：从模板匹配到自监督预训练

自动语音识别要把随时间变化的声学信号转成文字。说话速度、口音、噪声和上下文让同一句话拥有大量波形形态，因此技术史的主线并不是某个模型突然“听懂”语言，而是系统不断改变如何表示声音、处理长度差异和利用先验。

第一次转向：从频谱线索到模板匹配

1952年的英文数字识别研究面向电话带宽、单说话人和十个数字，通过频带特征与标准模式比较完成判断。它证明机器能够区分有限语音单位，也清楚暴露了说话人依赖和词表规模限制。

第二次转向：允许同一单词快慢不同

动态时间规整通过动态规划寻找两条特征序列的低代价对齐路径，使模板不必与输入逐帧等长。它在小词表和孤立词任务中有效，但每个词都保存模板难以扩展，也不擅长把声学、发音和语言规律统一建模。

第三次转向：概率模型拆分连续语音

隐马尔可夫模型把不可见的发音状态与可观察声学特征连接起来，GMM等模型估计状态输出概率。词典描述发音，N元语言模型给词序列先验，解码器在搜索图中组合多个分数。模块化让大词汇连续识别可训练、可替换，也形成复杂流水线。

第四次转向：神经网络接管声学估计

深层前馈网络、卷积与双向循环网络逐步替代GMM承担声学判别，HMM仍负责时序状态和解码。2013年的深层循环语音研究展示了长程上下文建模的潜力。这个阶段是神经与统计模块的混合，而非一夜之间端到端化。

第五次转向：模型自己学习对齐

CTC通过空白符和路径求和，在没有逐帧标签时训练序列模型；RNN-T进一步把声学编码与输出历史结合，注意力编码器-解码器则直接学习输入到输出的软对齐。端到端减少手工模块，但解码约束、流式延迟和文本先验仍需要设计。

第六次转向：先从海量无标注语音学习

Transformer/Conformer扩大上下文与并行训练能力，自监督方法则在转录前先利用原始音频。wav2vec 2.0用掩码与对比目标学习潜在表示，再以少量配对文本微调，改变了低资源场景的数据利用方式。伪标签、多语种预训练与领域适配可以继续组合。

今天不再用一个“准确率”概括系统

语音识别通常报告词错误率或字错误率，还要说明分词与文本规范。真实系统同时关心首字延迟、实时率、热词、数字实体、噪声、说话人群体与拒识。不存在一个脱离语言、数据和错误代价的通用可用阈值。

今天的识别器仍继承了早期问题：口音、远场、多说话人和新词只是以新的模型形式出现。理解每次范式转向解决了哪一层，才能在新任务中判断是换模型、补数据、改解码，还是重新定义评估。

同一个错误率背后，任务已经多次变化

早期系统常在有限词表、安静环境和孤立词条件下评测，后来逐步转向连续大词汇、自然对话、远场与多语种。比较历史数字时必须同时看词表、语料、说话人、声学条件、是否使用外部语言模型以及评测单位。一个年代更低的错误率，不一定代表它在今天开放环境中更强。

系统目标也从离线转写扩展到流式交互。流式模型要在音频尚未结束时输出，受可见未来、首字延迟和稳定性约束；离线模型可以利用完整上下文，通常更容易获得更低错误。二者应分别报告准确性、实时率、首段延迟和输出修订次数，不能只用最终文本比较。

现代语音系统仍是一条多目标链路

自监督预训练减少标签依赖，却增加无标注数据治理与计算；端到端结构简化传统模块边界，却仍要处理分词、热词、标点、数字格式和领域词汇；大模型后处理能够改善可读性，也可能改写原意。评测因此需要保留原始识别结果与后处理结果，区分听错、语言纠正和内容臆补。

真实产品还要覆盖隐私、端侧资源、网络中断、说话人公平和人工校正成本。按噪声、口音、设备、时长与关键词切片 CER，观察尾部失败；涉及重要决定时，保留音频回听与不确定状态。

未来范式可能继续变化，但研究问题仍围绕几件事：如何从更少监督学习稳健表示，如何在有限延迟和算力下解码，如何适应新领域而不遗忘，如何让错误可被发现和纠正。用这些轴理解历史，比记住一串模型名称更耐久。

评测设计也随着范式演进

词错误率或字符错误率只衡量编辑距离，不区分专名、否定词和语气词的业务影响。现代评测可在基础错误率之外统计关键词召回、数字正确、分段与标点、实时延迟和人工修订时间，并按场景给错误加权。一个平均值无法代表会议记录、语音输入和控制指令三种任务。

公开排行榜需要防止反复对测试集调参与训练数据污染。保留隐藏或定期更新的测试集，披露外部数据和后处理；业务团队则建立不进入训练的滚动现场集。模型变大后，还要验证它是否借语言先验“修正”成流畅但与音频不符的文本。

历史回顾最终应帮助选择今天的证据：模块化方法便于定位，端到端方法减少手工接口，自监督方法利用无标注规模。没有一种范式消除数据、评测和使用边界，它们只是把工程责任重新分配。